Modul

Siehe Teilleistung.

Dieses Modul soll den Studierenden die theoretischen und praktischen Aspekte der hybriden Nutzung von Quantenschaltkreisen in klassischen Algorithmen des Maschinellen Lernens näher bringen. Hierzu werden zunächst im ersten Teil der Vorlesung die notwendigen mathematischen Grundlagen von Quantensystemen und deren Repräsentation durch Qubits und Quantenschaltkreise vermittelt, bevor auf Basis bekannter Quantenalgorithmen die Vorteile und Möglichkeiten des Quantencomputings aufgezeigt werden. Schließlich wird ein Überblick über aktuelle hybride Ansätze im Bereich des Quantum Machine Learnings (QML) und deren Einsatzmöglichkeiten und Grenzen vermittelt:

- Grundlagen und Grundbegriffe

• Theoretische und praktische Grundlagen des Quantencomputings
• Taxonomie des Quantum Machine Learnings

- Klassische Quantenalgorithmen

- Überblick über hybride QML-Algorithmen, z.B.

• Quantum Autoencoder 
• Quantum Convolutional Neural Networks
• Quantum Generative Adversarial Neural Networks
• Quantum Kernels

- Aktuelle Herausforderungen, z.B.

• Noise
• Barren Plateaus

Insbesondere werden im Rahmen des Moduls die Anwendbarkeit auf heutigen Quantencomputern und die Skalierbarkeit der vorgestellten Ansätze beleuchtet.

Siehe Teilleistung.

Die Studierenden besitzen ein systematisches Verständnis der Fragestellungen zum Einsatz aktuell verfügbarer Quantencomputer und von Lösungsansätzen aus dem Bereich des hybriden Quantum Machine Learning. Sie können diese Erkenntnisse auf andere Problemstellungen übertragen und insbesondere die Effizienz und Realisierbarkeit für unterschiedliche Datensätze in der Praxis bewerten. Außerdem können Sie mit dem erworbenen Wissen, aktuellen Forschungsergebnisse des Quantum Machine Learnings interpretrieren und nachvollziehen.

Nach erfolgreicher Teilnahme an der Lehrveranstaltung können die Studierenden
- Die Grundbegriffe, Motivation und Herausforderungen des Quantencomputings und Quantum Machine Learnings sowie aktueller hybrider Ansätze erklären;
- Fragestellungen analysieren, passende Ansätze auswählen, mathematisch beschreiben und in Circuit-Notation überführen und anwenden;
- Auf Basis der in Vorlesung erlernten Konzepte eigene Lösungen entwerfen und deren Effizienz bewerten.

- Besuch der Vorlesung „Maschinelles Lernen 1 – Grundverfahren“ ist empfohlen
- Kenntnisse in Linearer Algebra sind empfohlen
- Programmierkenntnisse in Python sind hilfreich

- Vorlesungsbesuch: 23h (2 SWS x 15)
- Vor- und Nachbereitung: 45h (2 x 2 SWS x 15)
- Prüfungsvorbereitung: 22h
- Gesamt: 90h / 30 = 3 Credits